Stohastično programiranje obravnava zapletena vprašanja matematične optimizacije, kjer neznane spremenljivke ustvarjajo številne možne rešitve. To lahko vključuje prehod modela skozi vrsto stopenj, na vsako od katerih lahko vplivajo ločene spremenljivke. Matematiki lahko to uporabijo pri težavah, povezanih z odločanjem, dodeljevanjem virov in podobnimi dejavnostmi. Je tudi predmet akademskega študija, kjer raziskovalci delajo na razvoju novih in učinkovitejših modelov stohastičnega programiranja za uporabo v resničnih situacijah.
Težave z optimizacijo lahko postanejo izjemno zapletene. V bolj osnovnih oblikah so vse spremenljivke znane, kar omogoča, da jih poženete skozi enačbo, da ugotovite najprimernejšo rešitev. To običajno ni mogoče v situaciji, ko so parametri manj zanesljivi in bi lahko neznane spremenljivke vplivale na izid. Stohastični programerji se zanašajo na porazdelitev verjetnosti, da ocenijo obseg spremenljivk in to uporabijo v enačbi.
Pogosti primeri se lahko pojavijo pri matematičnem modeliranju dogodkov v naravnem okolju. Ko metulji na primer odložijo jajčeca, želijo optimizirati možnosti, da se izvalijo in razvijejo v ličinke in nato v odrasle metulje. Model stohastičnega programiranja lahko zagotovi informacije o najboljših serijah odločitev, ki jih lahko sprejme metulj. Spremenljivke lahko vključujejo plenjenje, temperaturne spremembe in druge težave, ki zavirajo izvalitev ali uničijo ličinke, preden dosežejo odraslo dobo. Matematik lahko dela skozi vrsto stopenj, da optimizira problem.
Odločitve v vsaki fazi lahko prekinejo ali odprejo odločitve v naslednji. Stohastično programiranje mora biti fleksibilno, da doseže optimalno rešitev, obenem pa še vedno nalaga nekaj reda odločitvam, da bi jih bilo mogoče kvantificirati v matematičnem problemu. Stopnja kompleksnosti je lahko odvisna od narave problema; nekatere so preprosto razporejene v dveh fazah, druge pa lahko vključujejo več. Za vsako stopnjo je mogoče določiti optimalno rešitev in razmisliti o vplivu, ki ga bo imela na odločanje na tej liniji.
Raziskovalci lahko to orodje uporabljajo na različne načine, od analize vedenja živali do pogleda na procese, ki stojijo za odločitvami v svetu podjetij. Uporablja se lahko tudi za matematično modeliranje v podporo odločitvam v okoljih, kot je posel. Trgovci z vrednostnimi papirji lahko na primer menijo, da je stohastično programiranje eno od orodij, ki so na voljo za raziskovanje optimalnih rešitev za težave. Analitiki lahko izvajajo izračune te narave ali pa uporabljajo programske programe, ki jim omogočajo, da samodejno nastavijo težave in jih izvajajo skozi vrsto možnih scenarijev.